Y-Net：一种用于活体光声成像的混合深度学习重建框架
图像与视频处理
2019-08-06 v1 计算机视觉与模式识别
机器学习
摘要
光声成像（PAI）是一种新兴的非侵入式成像模态，结合了深层超声穿透与高光学对比度的优势。图像重建是 PAI 中的重要课题，但由于组织中复杂且未知的光学/声学参数，其不幸是一个病态问题。PAI 中使用的常规算法（如延迟求和）提供快速解，但仍有许多伪影，尤其对于存在有限视角问题的线阵探头。卷积神经网络（CNN）已在计算机视觉中展现出最优结果，且近来基于 CNN 的医学图像处理工作越来越多。本文中，我们提出一种填补现有直接处理与后处理方法之间空白的非迭代方案，并提出新框架 Y-Net：一种通过一次性优化原始数据与波束合成图像来重建 PA 图像的 CNN 架构。该网络将两个编码器与一条解码器路径连接，从而最优地利用来自原始数据与波束合成图像的更多信息。测试集结果显示其相比常规重建算法与其他深度学习方法具有良好性能。我们的方法还在体外与活体实验中得到验证，仍优于其他现有方法。所提 Y-Net 架构在超越 PAI 的其他成像模态医学图像重建中也有很高潜力。
引用
@article{arxiv.1908.00975,
title = {Y-Net: A Hybrid Deep Learning Reconstruction Framework for Photoacoustic Imaging in vivo},
author = {Hengrong Lan and Daohuai Jiang and Changchun Yang and Fei Gao},
journal= {arXiv preprint arXiv:1908.00975},
year = {2019}
}
备注
submitted the journal version